深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 1213 篇文献，本页显示第 1101 - 1120 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1101 | 2025-02-04 |
Enhancing feature-aided data association tracking in passive sonar arrays: An advanced Siamese network approach
2025-Feb-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0035577
PMID:39898705
|
研究论文 | 本文提出了一种基于Siamese网络的高级网络BiChannel-SiamDinoNet，用于改进被动声纳阵列中的特征辅助数据关联跟踪方法 | 提出了BiChannel-SiamDinoNet网络，结合Siamese网络和联合概率数据关联框架，通过声学目标的特征结构形成嵌入空间，使系统对变化更加鲁棒，并能有效区分测量和目标之间的差异 | 未提及具体局限性 | 改进被动声纳阵列中的多目标跟踪方法，提高在复杂海洋场景中的性能 | 被动声纳阵列中的多目标跟踪 | 机器学习 | NA | 深度学习 | Siamese网络 | 声学信号 | 未提及具体样本数量 | NA | NA | NA | NA |
| 1102 | 2025-02-03 |
Hybrid deep learning based stroke detection using CT images with routing in an IoT environment
2025-Feb-01, Network (Bristol, England)
DOI:10.1080/0954898X.2025.2452280
PMID:39893512
|
研究论文 | 本文提出了一种基于混合深度学习的CT图像中风检测方法，结合物联网技术进行数据传输 | 提出了一种新的Jaccard_Residual SqueezeNet模型，用于从CT图像中预测中风，并结合物联网技术进行数据传输 | 未提及具体的研究局限性 | 提高中风病变的早期检测和准确分割，以改善治疗效果和减少长期残疾 | CT图像中的中风病变 | 计算机视觉 | 中风 | CT成像 | Jaccard_Residual SqueezeNet | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 1103 | 2025-10-07 |
Deep learning and optimization enabled multi-objective for task scheduling in cloud computing
2025-Feb, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2391395
PMID:39163538
|
研究论文 | 提出一种结合多目标优化和深度学习模型的云计算任务调度方法 | 提出混合分数火烈鸟甲虫优化算法(FFBO)和深度前馈神经网络融合长短期记忆网络(DFNN-LSTM)的新型任务调度模型 | NA | 优化云计算环境中的任务调度性能 | 云计算任务调度 | 机器学习 | NA | 深度学习 | DRN, DFNN, LSTM | 任务参数和虚拟机参数 | NA | NA | 深度残差网络, 深度前馈神经网络, 长短期记忆网络 | 完工时间, 能耗, 资源利用率 | NA |
| 1104 | 2025-10-07 |
Optimized deep maxout for crowd anomaly detection: A hybrid optimization-based model
2025-Feb, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2392772
PMID:39302211
|
研究论文 | 提出一种基于混合优化的深度maxout网络用于人群异常检测 | 结合视觉注意力检测与优化的深度maxout网络，并采用新型BRCASO算法进行权重优化 | NA | 开发高效的人群异常检测方法 | 监控视频中的人群行为 | 计算机视觉 | NA | NA | 深度maxout网络 | 视频 | NA | Python | 优化深度maxout网络 | 检测准确率 | NA |
| 1105 | 2025-10-07 |
Preparing for downstream tasks in artificial intelligence for dental radiology: a baseline performance comparison of deep learning models
2025-Feb-01, Dento maxillo facial radiology
DOI:10.1093/dmfr/twae056
PMID:39563402
|
研究论文 | 比较卷积神经网络、视觉变换器和门控多层感知器在牙科放射影像分类任务中的性能表现 | 首次在牙科放射学领域系统比较CNN、ViT和gMLP三种深度学习架构的性能 | 研究仅使用回顾性收集的二维锥形束CT图像数据 | 评估不同深度学习模型在牙科放射影像分类任务中的表现 | 牙科结构放射影像，包括上颌窦、切牙、颏孔和下颌第三磨牙与下牙槽神经管的位置关系 | 计算机视觉 | 牙科疾病 | 锥形束计算机断层扫描 | CNN, ViT, gMLP | 图像 | NA | NA | 卷积神经网络, 视觉变换器, 门控多层感知器 | 灵敏度, 特异度, 精确度, 准确率, F1分数, AUC-ROC曲线, 精确率-召回率曲线 | NA |
| 1106 | 2025-10-07 |
On-chip deep residual photonic neural networks using optical-electrical shortcut connections
2025-Feb-01, Optics letters
IF:3.1Q2
DOI:10.1364/OL.549158
PMID:39888773
|
研究论文 | 提出一种采用光电快捷连接的片上深度残差光子神经网络架构，解决深度光子神经网络训练中的梯度消失和爆炸问题 | 首次在片上光子神经网络中引入光电快捷连接机制，通过功率分配器、波长解复用器和光电探测器直接连接光学权重层的输入输出 | NA | 解决深度光子神经网络训练中的梯度问题，提升网络性能 | 片上光子神经网络 | 机器学习 | NA | 光电混合计算 | 残差神经网络 | 图像数据 | CIFAR-10和CIFAR-100数据集 | NA | Res-PNN | 分类准确率 | NA |
| 1107 | 2024-11-24 |
[Ecological sustainability of deep learning in pathology : A modeling study]
2025-Feb, Pathologie (Heidelberg, Germany)
DOI:10.1007/s00292-024-01382-x
PMID:39578266
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1108 | 2025-01-31 |
ECCDN-Net: A deep learning-based technique for efficient organic and recyclable waste classification
2025-Feb-01, Waste management (New York, N.Y.)
DOI:10.1016/j.wasman.2024.12.023
PMID:39705887
|
研究论文 | 本文提出了一种基于深度学习的有机和可回收废物分类技术，旨在提高垃圾图像分类的准确性和效率 | 提出了一个名为ECCDN-Net的新型深度学习模型，结合了Densenet201和Resnet18的优点，并通过辅助输出来优化分类过程 | NA | 提高垃圾图像分类的准确性和效率，以优化废物管理策略 | 有机和可回收废物的图像 | 计算机视觉 | NA | 深度学习 | ECCDN-Net, InceptionV2, Densenet201, MobileNet v2, Resnet18 | 图像 | 24,705张图像，分为有机和可回收两类 | NA | NA | NA | NA |
| 1109 | 2025-10-07 |
Deep structure-level N-glycan identification using feature-induced structure diagnosis integrated with a deep learning model
2025-Feb, Analytical and bioanalytical chemistry
IF:3.8Q1
DOI:10.1007/s00216-024-05505-4
PMID:39212697
|
研究论文 | 本研究开发了一种结合特征诱导结构诊断与深度学习模型的深度结构水平N-聚糖鉴定方法 | 首次将神经网络模型集成到特征诱导结构诊断中，解决了对称'镜像'分支异构体和连接异构体的鉴定难题 | 研究主要基于公开数据集，未涉及更广泛的生物样本类型 | 开发深度结构水平的N-聚糖鉴定方法 | N-聚糖结构，特别是对称分支异构体和连接异构体 | 生物信息学 | NA | N-糖蛋白质组学，MS/MS质谱 | 深度学习，卷积自编码器，多层感知机 | 质谱数据，MS/MS谱图 | 5个小鼠组织的17,136个完整N-糖肽谱图匹配 | NA | 卷积自编码器，多层感知机 | 准确率，AUC | NA |
| 1110 | 2025-10-07 |
A deep learning framework for in silico screening of anticancer drugs at the single-cell level
2025-Feb, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwae451
PMID:39872221
|
研究论文 | 开发名为Shennong的深度学习框架，用于在单细胞水平进行抗癌药物的计算机筛选 | 利用泛癌种和泛组织的单细胞转录图谱揭示细胞异质性，并开发可预测单细胞药物反应和组织损伤效应的深度学习框架 | NA | 加速药物发现过程并提高药物筛选的准确性和效率 | 恶性细胞、癌前细胞、癌症相关基质细胞和内皮细胞 | 数字病理学 | 癌症 | 单细胞RNA测序(scRNA-seq) | 深度学习 | 单细胞转录组数据 | 泛癌种和泛组织的单细胞转录图谱 | NA | NA | NA | NA |
| 1111 | 2025-01-29 |
Synergistic effect evaluation method of atmospheric emission reduction based on deep learning fusion model
2025-Feb-15, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2024.136709
PMID:39637781
|
研究论文 | 本文提出了一种基于深度学习融合模型的大气减排协同效应评估方法，旨在模拟排放对空气质量的影响 | 开发了一种新的深度学习融合模型GR-BILSTM，结合生成对抗网络进行数据增强和ResNet-BILSTM模型，有效解决了深度网络中的梯度消失问题，并捕捉高维数据特征，提高了模型的预测精度 | 未提及具体的数据集规模或实验验证的局限性 | 评估大气减排的协同效应，模拟排放对空气质量的影响 | 工业园区的排放与空气污染之间的关系 | 机器学习 | NA | 深度学习 | GR-BILSTM（生成对抗网络与ResNet-BILSTM融合模型） | 空气质量数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 1112 | 2024-12-22 |
Online monitoring of Haematococcus lacustris cell cycle using machine and deep learning techniques
2025-Feb, Bioresource technology
IF:9.7Q1
DOI:10.1016/j.biortech.2024.131976
PMID:39675638
|
研究论文 | 本研究开发了一种自动化在线监测系统，用于分类Haematococcus lacustris细胞周期的四个不同阶段 | 本研究首次将基于决策树的机器学习和深度学习卷积神经网络算法应用于Haematococcus lacustris细胞周期的在线监测 | 本研究仅在实验室规模的培养系统中验证了模型的有效性，尚未在大规模工业应用中进行测试 | 开发一种在线监测系统，用于优化从Haematococcus lacustris中生产虾青素的工艺 | Haematococcus lacustris细胞周期 | 机器学习 | NA | 卷积神经网络 | CNN | 图像 | NA | NA | NA | NA | NA |
| 1113 | 2025-01-28 |
Deep learning-assistance significantly increases the detection sensitivity of neurosurgery residents for intracranial aneurysms in subarachnoid hemorrhage
2025-Feb, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia
IF:1.9Q4
DOI:10.1016/j.jocn.2024.110971
PMID:39673838
|
研究论文 | 本研究评估了深度学习模型在提高神经外科住院医师通过CT血管造影检测颅内动脉瘤敏感性方面的有效性 | 首次将深度学习模型应用于神经外科住院医师的动脉瘤检测培训，显著提高了检测敏感性，特别是在小动脉瘤的检测上 | 研究样本量较小，仅包含104例患者的CTA扫描，且仅涉及三名住院医师 | 评估深度学习模型在提高神经外科住院医师检测颅内动脉瘤敏感性方面的效果 | 104例动脉瘤性蛛网膜下腔出血患者的CTA扫描，共126个动脉瘤 | 数字病理 | 颅内动脉瘤 | CT血管造影（CTA） | 深度学习模型（DLM） | 图像 | 104例患者的CTA扫描，共126个动脉瘤 | NA | NA | NA | NA |
| 1114 | 2025-10-07 |
AI-powered techniques in anatomical imaging: Impacts on veterinary diagnostics and surgery
2025-Feb, Annals of anatomy = Anatomischer Anzeiger : official organ of the Anatomische Gesellschaft
DOI:10.1016/j.aanat.2024.152355
PMID:39577814
|
综述 | 探讨人工智能技术在兽医解剖成像领域的创新应用及其对诊断和手术的影响 | 系统评估AI技术在兽医影像诊断中的创新应用，包括提升诊断准确性和手术规划精度 | 存在数据隐私、算法偏见及临床工作流程整合等挑战 | 探索AI赋能成像工具在兽医诊断和手术中的创新与挑战 | 兽医诊断影像及手术应用 | 计算机视觉 | NA | X射线、超声、CT扫描、MRI/乳腺摄影 | 深度学习, 卷积神经网络 | 医学影像 | NA | NA | NA | 诊断准确性 | NA |
| 1115 | 2025-10-07 |
Let it shine: Autofluorescence of Papanicolaou-stain improves AI-based cytological oral cancer detection
2025-Feb, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109498
PMID:39662319
|
研究论文 | 通过结合明场和荧光显微镜成像及多模态信息融合，提升基于AI的口腔癌细胞学检测性能 | 首次利用Papanicolaou染色样本的自发荧光特性进行多模态成像，并采用弱监督深度学习方法和多种多模态信息融合策略 | 依赖于准确的图像配准以最大化多模态分析效益，细胞级注释的不可行性限制了模型性能 | 通过多模态成像和深度多模态信息融合改进基于AI的口腔癌检测 | 从健康人群和癌症患者收集的刷检活检Papanicolaou染色液基细胞学切片 | 数字病理学 | 口腔癌 | 全玻片显微镜成像，荧光成像，图像配准 | 深度学习 | 图像 | NA | NA | Co-Attention Fusion Network (CAFNet) | F1分数, 准确率 | NA |
| 1116 | 2025-10-07 |
Lifestyle factors and other predictors of common mental disorders in diagnostic machine learning studies: A systematic review
2025-Feb, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109521
PMID:39667056
|
系统综述 | 系统评估机器学习模型在预测常见精神障碍中的应用，重点关注生活方式因素作为预测因子的效用 | 首个评估诊断性机器学习在常见精神障碍中应用价值的系统综述，同时评估偏倚风险和预测因子类型 | 研究存在高度异质性和偏倚风险，生活方式数据利用不足 | 综合机器学习预测常见精神障碍的证据，评估模型性能，确定生活方式数据在机器学习模型中的潜在价值 | 使用机器学习方法预测成人常见精神障碍的研究 | 机器学习 | 精神障碍 | 机器学习 | 深度学习, 多种机器学习方法 | 生活方式数据, 生物数据, 人口统计-环境数据, 心理社会数据 | 117项研究（111项仅模型开发，16项开发和验证） | NA | NA | 准确率 | NA |
| 1117 | 2025-10-07 |
Unsupervised reconstruction of accelerated cardiac cine MRI using neural fields
2025-Feb, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109467
PMID:39672009
|
研究论文 | 提出基于神经场表示的无监督心脏电影MRI重建方法NF-cMRI | 使用隐式神经场表示进行无监督重建，无需大型训练数据集，避免引入数据偏差 | NA | 开发无需监督学习的加速心脏电影MRI重建方法 | 心脏电影MRI数据 | 医学影像处理 | 心血管疾病 | 心脏电影MRI，径向欠采样采集 | 神经场表示 | MRI图像 | NA | NA | NF-cMRI | 清晰度，伪影鲁棒性，时空描绘质量 | NA |
| 1118 | 2025-10-07 |
Exploring diabetes through the lens of AI and computer vision: Methods and future prospects
2025-Feb, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109537
PMID:39672014
|
综述 | 探讨人工智能和计算机视觉在糖尿病检测与管理中的应用方法及未来前景 | 系统整合工业4.0技术（机器学习、深度学习和计算机视觉机器人）应对糖尿病相关挑战 | 未涉及具体实验验证和性能评估数据 | 研究人工智能和计算机视觉在糖尿病早期诊断和治疗中的促进作用 | 糖尿病相关的临床数据分析和技术应用 | 计算机视觉, 机器学习 | 糖尿病 | NA | NA | 临床数据 | NA | NA | NA | NA | NA |
| 1119 | 2025-10-07 |
DCA-Enhanced Alzheimer's detection with shearlet and deep learning integration
2025-Feb, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109538
PMID:39674071
|
研究论文 | 本研究提出了一种结合剪切波变换和深度学习的方法，通过MRI数据实现阿尔茨海默病的早期检测 | 将3D剪切波变换与四种预训练CNN模型结合，并使用判别相关分析(DCA)融合深度特征和剪切波特征 | 样本量相对有限(200名患者)，且数据来自单一来源ADNI | 开发能够准确诊断早期阿尔茨海默病的计算模型 | 阿尔茨海默病患者MRI数据 | 医学影像分析 | 阿尔茨海默病 | 磁共振成像(MRI) | CNN, SVM, DTB | 3D医学影像 | 200名患者(AD 50人，进行性轻度认知障碍转AD 50人，稳定性轻度认知障碍50人，认知正常50人) | NA | SqueezeNet-v1.1, MobileNet-v2, Xception, Inception-v3 | 准确率 | NA |
| 1120 | 2025-10-07 |
Proximity adjusted centroid mapping for accurate detection of nuclei in dense 3D cell systems
2025-Feb, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109561
PMID:39693688
|
研究论文 | 提出一种基于3D U-net的核中心点映射方法PAC-MAP，用于精确检测密集3D细胞系统中的细胞核位置 | 通过预测核中心点位置及其邻近关系而非精确分割核形状，解决了高密度3D细胞系统中分割困难的挑战 | 依赖有限的专家标注数据（30张图像），在极高密度条件下性能可能受限 | 开发精确检测密集3D细胞系统中细胞核位置的方法 | 密集球状体和脑类器官中的细胞核 | 数字病理 | 胶质母细胞瘤 | 3D图像分析 | U-net | 3D图像 | 30张专家标注图像和2300多张弱监督批量图像 | NA | 3D U-net | F1分数, 召回率 | NA |